Board deck автоматизация (финансовый + operational)

Автоматизация забирает на себя сбор цифр и написание первого варианта board deck. CFO, COO и CEO получают готовый черновик с цифрами, графиками и narrative за несколько часов до совета — вместо нескольких дней ручной работы финансовой команды и аналитиков. Один board cycle проходит не за неделю-две, а за день.

Конкретные шаги, которые AI-агент выполняет сам:

1. Подключается к data warehouse и BI-системе, забирает финансовые метрики (revenue, ARR, CAC, burn, runway) и операционные (NPS, churn, pipeline, utilization).
2. Сравнивает текущий период с планом, прошлым периодом и прогнозом — выявляет материальные отклонения.
3. Рассчитывает производные метрики и KPI по определению компании, а не по общему стандарту.
4. Генерирует черновик narrative для каждого слайда — что произошло, почему, что делаем дальше.
5. Собирает deck по шаблону презентации: обложка, executive summary, финансовые результаты, операционные метрики, риски, приоритеты следующего квартала.
6. Подкладывает графики и таблицы, сгенерированные из данных warehouse.
7. Экспортирует готовый файл в file storage (например, Google Drive, SharePoint или Notion) и уведомляет команду в Slack или email.
8. Принимает правки от CFO и пересобирает версию — до финальной.

Что автоматизация НЕ делает

• Не заменяет суждение CFO, CEO или совета директоров. Финальное решение, narrative и выводы остаются за людьми.
• Не подменяет audit и compliance — цифры берутся из источников, которые компания считает доверенными, а не пересчитываются с нуля.
• Не принимает стратегические решения и не формулирует приоритеты сама. AI-агент описывает факты и предлагает варианты формулировок, решение остаётся за CEO.

AI-агент работает как pipeline с несколькими стадиями: data ingestion → reconciliation → analysis → narrative → assembly → delivery. Каждая стадия пересчитывается отдельно, чтобы CFO правил только нужное, а не переделывал весь deck.

Архитектура и поток данных

Агент запускается по расписанию (monthly или quarterly board cycle) или по ручному триггеру. Сначала он идёт в data warehouse или BI-систему, выгружает заранее определённые метрики за нужный период. Дальше — reconciliation: проверка, что данные за период закрыты, нет дыр, нет подозрительных значений (например, revenue падает на 90% без причины). Если что-то выглядит подозрительно, агент не идёт дальше, а эскалирует в Slack или email ответственному.

Следующая стадия — analysis. Агент считает отклонения от плана, прогноза и прошлого периода, ранжирует их по материальности (по порогам, которые задаёт компания). Для каждого материального отклонения он формирует черновик объяснения, опираясь на данные — например: «burn вырос на 15% из-за trade-off между hiring и cash runway».

Narrative-стадия — генерация текста для каждого слайда. Используется языковая модель с tool-use доступом к данным warehouse, чтобы модель проверяла конкретную цифру, прежде чем её написать. Черновики narrative проходят через grounding-промпт, который запрещает цифры, не присутствующие в warehouse.

Assembly-стадия — сборка deck по шаблону (Google Slides, Notion или PowerPoint-экспорт). Шаблон и правила позиционирования слайдов фиксированы, агент только подставляет контент и графики. Графики генерируются из warehouse-данных — агент не рисует их с нуля, а использует заранее собранные визуальные примитивы. Если метрика новая и графика для неё нет в шаблоне, агент оставляет placeholder и помечает это в delivery-уведомлении.

Delivery — файл уходит в file storage с версионированием, комментарий отправляется в Slack или email ответственному.

Шаги внедрения

1. Mapping метрик. Определить список метрик, которые идут в board deck: источник в warehouse, формула расчёта, пороги материальности для flagging отклонений.
2. Template deck. Зафиксировать шаблон слайдов и правила: что где лежит, какие разделы обязательны, какая последовательность.
3. Data access. Настроить сервисный аккаунт агента в data warehouse и file storage с read-правами для источников и write-правами только для финального файла.
4. Reconciliation rules. Прописать правила, при которых агент останавливается и эскалирует — пустые данные, выбросы, non-closed period, резкие скачки.
5. Narrative промпты. Собрать набор промптов, которые описывают стиль narrative компании (консервативный или прямой, для инвесторов или для совета), включая запрет на цифры вне warehouse.
6. Pilot run. Параллельно с ручной подготовкой прогоняем агента на одном board cycle, сравниваем результаты, собираем feedback от CFO по качеству narrative и корректности цифр.
7. Production rollout. Переход на агент как основной источник черновика, ручная подготовка становится рецензией с контрольными точками.

Ключевые компоненты

Перед внедрением нужно убедиться, что данные и процессы готовы — без этого AI-агент не работает корректно.

Данные и доступ

• Data warehouse или BI-система с закрытыми периодами, а не live dashboards с незакрытыми транзакциями.
• Зафиксированные определения ключевых метрик — ARR, revenue, burn, churn. Если у финансовой команды и ops-команды разные определения, сначала нужно прийти к одному.
• File storage с API-доступом (Google Drive, SharePoint или Notion) для записи готового deck.
• Шаблон board deck, который используется стабильно хотя бы последние 2-3 цикла.

Команда и процессы

• Владелец со стороны финансов (CFO или financial controller), который тратит 4-8 часов в неделю на период внедрения.
• Data engineer или analytics engineer для первичной настройки connectors.
• Готовность CFO и CEO прочитать черновик от агента и дать структурированный feedback — без этого narrative не настроится.

Временные рамки

Сложность внедрения — средняя. Срок — 6-10 недель:

• Недели 1-2: mapping метрик и шаблона, согласование с CFO.
• Недели 3-5: настройка data access, reconciliation rules, narrative промптов.
• Недели 6-7: pilot run параллельно с ручной подготовкой.
• Недели 8-10: итерации по feedback, production rollout.

Если у компании нет централизованного warehouse и метрики собираются вручную из Excel или Google Sheets, срок увеличивается на 2-4 недели под отдельный проект по закрытию источников данных.